Análisis de las técnicas de Machine Learning para la predicción de deserción de estudiantes universitarios

Aug 3, 2026

El trabajo analiza el uso de técnicas de Machine Learning para predecir la deserción estudiantil universitaria, entendida como la no culminación de un pregrado o postgrado por abandono definitivo o cambio de carrera, asociada a factores económicos y académicos. La metodología emplea un enfoque cualitativo, no experimental y descriptivo, con base en una revisión bibliográfica de artículos académicos indexados. El estudio concluye que el Machine Learning permite identificar y asistir oportunamente a estudiantes en riesgo mediante patrones ocultos.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas8

Tiempo de lectura12 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Introducción

Deserción estudiantil en Colombia

Inteligencia artificial y Machine Learning

Tipos de algoritmos de Machine Learning

Usos del Machine Learning en educación

Definición y factores de la deserción estudiantil

REVISTA INVESTIGACIÓN Y ACCIÓN Revista de carácter interdisciplinar. Investigación y Acción, Vol. 3. Núm. 2 (2023) ISSN : 2805-8496 Journal DOI : 10. 15648/iya Análisis de las técnicas de Machine Learning para la predicción dedeserción de estudiantes Universitarios Analysis of Machine Learning techniques for predicting dropout of university students Juan Ramírez, Joel Havit Gómez, Alexander Rivera Universidad del Atlántico, Colombia RESUMEN El machine learning que en español significa maquinas que aprenden, tienen la capacidad de predecir el comportamiento de cualquier sistema. Para llevar acabo machine learning se utilizan diferentes algoritmos que logran desarrollarcon éxito lo deseado. Por otro lado, la deserción estudiantil universitaria se entiende como la no culminación de un pregrado o postgrado por abandono definitivo o cambio de carrera, por diferentes factores económico y académicos. La metodología usada es de tipo cualitativa, no experimental de tipo descriptiva, los instrumentos usados fueron los computadores. Durante este trabajo se encuentra una revisión bibliográfica de diferentes artículos académicos encontrados en revistas indexadas a nivel internacional, nacional y local, se llegó a al conclusión que el machine learning es una herramienta invaluable para que las instituciones de educación superior enfrenten el complejo reto de la deserciónuniversitaria. Mediante el análisis de datos y patrones ocultos en ellos, brinda la posibilidad de identificar y asistir oportunamente a los estudiantes en riesgo de abandono. Palabras claves: Machine learning, deserción estudiantil, predicción, algoritmo. ABSTRACT Machine learning, which in Spanish means machines that learn, has the ability to predict the behavior of any system. To carry out machine learning, different algorithms are used that successfully develop what is desired. On the other hand, university student dropout is understood as the failure to complete an undergraduate or postgraduate degree due to definitive abandonment or change of major, due to different economic and academic factors. The methodology used is qualitative, not experimental, descriptive, the instruments used were computers. During this work, a bibliographic review of different academic articles found in magazines indexed at the international, national and local level was found, it was concluded that machine learning is an invaluable tool for higher education institutions to face the complex challenge of university dropout. By analyzing data and patterns hidden in them, it provides the possibility of timely identifying and assisting students at risk of dropping out. Keywords: Machine learning, student dropout, prediction, algorithm. . 18 INTRODUCCIÓN En Colombia, la deserción estudiantil de estudiantes universitario es un problema que se havenido presentando desde hace mucho tiempo, sin embargo, no existía una herramienta tecnológica que permitiera analizar dicha deserción, ya que anteriormente, esta actividad, era contabilizaday llevada de manera rudimentaria por los departamentos de Bienestar Universitario. En este punto, entra a jugar un papel importante como lo es la inteligencia artificial (IA). Si bien, la (IA) no tiene una definición clara, ha sido el seudónimo que se le dio a cierta tecnología con capacidades que solo eran de la mente humana, es decir la capacidad de aprender y resolver problemas (Ahumada, 2016). Entrando en el mundo de la IA, se define latécnica de Machine Learning como el aprendizaje autónomo de las maquinas, que esta definida por tres tipos de algoritmos, el primero, es elaprendizaje supervisado, en este los datos sonetiquetados con el objetivo que los patronespuedan detectarse y usarse nuevamente para etiquetar nueva información, el segundo, es elaprendizaje no supervisado, en este los datos no están etiquetados, por tanto la búsqueda de información solo pueda darse mediante larevisión de similitudes o diferencias; y el tercer

Preguntas frecuentes

Qué significa la técnica de Machine Learning y para qué se usa en este trabajo?

Machine Learning se entiende como el aprendizaje autónomo de las máquinas. En el trabajo se utiliza para predecir la deserción estudiantil universitaria y apoyar la identificación de estudiantes en riesgo.

Cómo se describe la deserción estudiantil universitaria en el documento?

Se define como el abandono de un programa antes de obtener el título o grado correspondiente, sin capacidad de reincorporarse por el tiempo prolongado, debido a causas económicas y académicas.

Qué tipos de algoritmos de Machine Learning se mencionan y en qué se diferencian?

Se describen aprendizaje supervisado (datos etiquetados), no supervisado (datos sin etiquetas, búsqueda por similitudes o diferencias) y aprendizaje por refuerzo (actualización del sistema tras periodos con información agregada).

Aug 3, 2026

Subir por Ava Thompson